您的当前位置：首页正文

BP神经网络在旅游安全预警信息系统中的应用研究

来源：一二三四网

安徽农业科学,JournalofAnhuiAgri.Sci.2009,37(7):3327-3329　　　　　　　　　　　　　　　　　　　责任编辑　张杨林　责任校对　卢瑶

韩林芝1,郑江华2

(1.中央财经大学经济学院,北京100081;2.新疆大学资源与环境科学学院,绿洲生态重点实验室,新疆乌鲁木齐830046)

摘要　利用BP神经网络对旅游安全预警信息系统的应用进行了研究,并通过BP神经网络模型的构建和仿真试验结果证明了该模型的适用性和可行性。关键词　BP神经网络;旅游;安全预警中图分类号　S127　　文献标识码　A　　文章编号　0517-6611(2009)07-03327-03StudyontheApplicationofBPNeuralNetworkinTourismSecurityEarlyWarningInformationSystemHANLin2zhietal　(SchoolofEconomics,CentralUniversityofFinanceandEconomics,Beijing100081)Abstract　TheapplicationofBPneuralnetworkinthetourismsecurityearlywarninginformationsystemwasstudied.TheapplicabilityandfeasibilityofthemodelwereprovedfromtheconstructionandstimulationtestresultsofBPnetworkmodel.Keywords　BPneuralnetwork;Tourism;Securityearlywarning

　　旅游安全和危机问题可以涉及到自然灾害、恐怖事件、犯罪、交通、疾病、服务和经济平稳性等,安全隐患存在于整个旅游过程中,这些安全问题不仅会给旅游区带来巨大的经济和名誉损失,甚至会对旅游者生命安全造成威胁[1-2]。目前,我国在行政和立法管理层面制定了一系列的旅游安全管理法规,2006年4月25日国家旅游局和外交部发布了《中国公民出境旅游突发事件应急预案》。另外,各地也建立了相关的旅游安全预警制度,如“黄金周”旅游安全预警报告制度,西藏积极打造集安全教育、安全预警、紧急救援和旅游保险“四位一体”的旅游安全保障机制[3]等。然而,这些法规和措施主要着眼于旅游安全事故的规范性管理和事件发生后的后处理,缺乏定量化的方法,在处理应急旅游突发性事件时效果有限,缺乏必要的事前预警和相关的知识储备,这显然不能适应我国旅游业发展的需要,建立有效、动态的监测旅游安全预警信息系统尤为重要。目前,预警信息系统可采用多种方法,其中人工神经网络方法,相比线性方法具有以下突出的优越性:可以充分逼近任意复杂的非线性关系;所有定量或定性的信息都等势分布贮存于网络内的各神经元,故有很强的鲁棒性和容错性;采用并行分布处理方法,使得快速进行大量运算成为可能;可学习和自适应不知道或不确定的系统;能够同时处理定量、定性知识。在实际应用中,BP神经网络是应用最广泛的神经网络,它是采用Widrow2Hoff学习算法和非线性可微转移函数的多层网络,BP神经网络很适合输入/目标对的训练。另外,人工神经网络具有良好的自学习功能和高速寻找优化解的能力。所以笔者将BP神经网络预警技术应用于旅游安全预警之中,研究建立一个基于BP神经网络的旅游安全预警模型,旨在为相关研究提供借鉴。

1　基于BP神经网络模型的旅游安全预警框架构建1.1　旅游安全预警及其影响因素

1.1.1　旅游安全预警的内涵。旅游安全预警是以相关统计

能发生的危机,并在危机发生之前向有关方面发出警告,督促管理当局采取有效措施,避免潜在的风险演变成损失。旅游安全预警的功能主要包括监测、诊断和防治等功能。

1.1.2　旅游安全预警影响因素。影响旅游安全预警的主要

因素可归纳为旅游地灾害频度、出游设施安全度和旅游地区域安全度3大类。具体分为3类10个子因素,包括旅游设施使用饱和度、政治稳定度、水文气象灾害发生频率、地震地质灾害发生频率、社会实际失业率、社会治安稳定度、交通路况安全度、暴发瘟疫性疾病的频率、居民消费价格指数上涨率、主客文化冲突潜在指数[4]。

1.2　基于BP模型的旅游安全预警框架的建立

1.2.1　BP神经网络模型建立的主要思路。BP神经网络模

型建立的逻辑结构见图1。

1.2.2　基于BP神经网络模型的旅游安全预警步骤。根据BP神经网络模型及其算法,结合旅游安全预警内涵及其识

别指标体系,将基于BP模型的旅游安全预警步骤概括如下。

(1)旅游安全预警BP模型结构设计。旅游安全预警BP

模型拓扑结构见图2。模型一般由输入层、隐含层和输出层

3层神经元组成。其中输入层神经元是经过标准化处理的旅

游安全预警基础指标,输出层神经元是旅游安全预警系统的输出———旅游安全状态,旅游安全预警BP模型有1个输出神经元,分别对应于安全状况的优秀、良好、合格和恶劣。　　(2)对旅游安全预警BP模型神经元的连接权值和其参数赋初值。初始值与学习是否达到局部最小、是否能够收敛以及训练时间长短的关系很大。一般希望经过初始加权后每个神经元的输入值都近于零,这样可以保证每个神经元的权值都能够在它们的S型激活函数变化最大处进行调节。所以,一般取初始权值在(-1,1)的随机数。

(3)输入旅游安全预警样本集,每个样本点包括经过标

准化处理的旅游预警的基础指标值和对应的期望输出。

(4)计算隐含层与输出层的实际输出。

(5)计算安全预警样本点的期望值与实际输出的偏差,

数据或调查信息为依据,利用多种统计方法或非统计方法,对影响旅游安全的因子进行分析、预测,以发现潜在的风险或可

基金项目　国家自然科学基金青年基金项目(40801058);新疆大学博

士启动基金(070282);中央财经大学研究生科研创新基金资助(062Y2001)联合资助。

作者简介　韩林芝(1975-),女,新疆乌鲁木齐人,在读博士,讲师,从

事国民经济学研究。

收稿日期　2008212211

若误差在要求内到步骤10。

(6)计算隐含层单元误差。(7)求误差梯度。

(8)从旅游安全预警BP模型的输出层开始,将误差信号

3328　　　　　　　　　　　　　安徽农业科学　　　　　　　　　　　　　　　　　　　　　　　　2009年

沿原来的连接路线返回,通过修改各层神经元的权值,逐次地向输入层传播进行计算,再经过正向传播过程。这2个过程反复进行使得误差信号最小,调整权值并转步骤4。

　　(10)将目标地区旅游预警指标的具体值作为训练好的

BP模型的输入,可得目标地区旅游预警状态,再与预警时规

定的状态标准比较,即可确定目标地区旅游状态的类别。

2　BP神经网络模型的试验

该研究的BP神经网络模型采用4层结构,即网络的拓扑结构由输入层、2层隐含层和输出层组成,其中输入元10个,分别是旅游设施使用饱和度(x1)、政治稳定度(x2)、水文气象灾害发生频率(x3)、地震地质灾害发生频率(x4)、社会实际失业率(x5)、社会治安稳定度(x6)、交通路况安全度

(x7)、暴发瘟疫性疾病的频率(x8)、居民消费价格指数上涨

率(x9)、主客文化冲突潜在指数(x10),输出元1个,第1隐含层节点5个,第2隐含层节点3个。假设前提是样本数据真实可靠,采集方法和质量基本一致。

2.1　试验过程

2.1.1　输入样本值和期望输出值。该试验输入样本值见表1。

图1　BP神经网络模型流程

Fig.1　BPneuralnetworkmodelflow

(9)计算全部误差是否满足要求,若满足,BP神经网络

图2　典型BP网络结构示意Fig.2　ThetypicalBPnetworkstructure

学习结束,得到一个训练好的网络。否则回到步骤6。

表1　旅游地旅游安全状态数据Table1　Thesecuritysituationdataoftourismareas

安全状态

Securitysituation优秀(1)Excellent

x1x2x3x4x5x6x7x8x9x10

0.940.870.930.880.870.950.920.860.940.89

0.750.720.690.770.740.710.730.680.730.690.650.660.640.670.580.590.610.630.680.600.540.520.560.580.570.540.600.51

0.070.050.040.050.060.090.080.060.070.050.120.130.110.100.120.110.080.140.120.090.150.130.140.190.170.180.150.16

0.080.070.060.050.100.090.070.110.080.090.110.100.120.130.140.130.160.100.110.150.150.140.180.160.190.180.210.19

0.020.030.010.040.030.020.040.050.020.030.050.060.050.040.060.050.060.040.050.060.070.080.060.060.080.070.060.08

0.750.700.720.740.710.730.680.720.770.690.650.630.600.660.580.680.640.610.670.620.570.510.560.520.580.540.600.49

0.520.510.530.510.470.500.490.460.480.430.420.410.400.380.440.350.390.380.360.370.300.330.320.360.290.280.300.35

0.070.060.040.080.100.080.090.060.030.050.150.120.130.140.160.210.170.180.100.190.200.290.280.210.260.180.250.22

0.030.040.050.040.010.020.050.040.030.020.060.050.070.090.100.110.080.070.100.060.090.120.150.120.160.180.150.17

0.100.110.160.150.100.090.120.110.130.140.180.170.150.190.230.160.220.210.180.200.250.240.230.280.260.290.240.22

良好(2)Good0.880.860.680.820.800.870.890.850.890.88

合格(3)Pass0.760.750.680.790.760.820.770.78

接下表

37卷7期　　　　　　　　　　　　　韩林芝等　BP神经网络在旅游安全预警信息系统中的应用研究3329

续表1

安全状态

Securitysituationx1

x10

0.840.77

0.530.590.450.440.430.460.490.470.500.480.420.51

0.150.170.200.220.190.230.210.240.220.180.190.20

0.200.170.200.250.230.240.220.210.190.210.220.24

0.050.070.090.100.080.120.110.090.080.180.170.18

0.550.590.450.420.410.460.420.480.470.500.430.49

0.340.310.200.220.210.250.280.260.270.240.230.22

0.230.310.400.450.340.240.320.340.330.370.460.28

0.110.140.190.220.320.280.200.270.380.450.390.28

0.260.250.300.310.320.340.370.350.360.330.370.35

恶劣(4)Fail0.700.720.740.710.790.750.730.780.760.66

　注:数据来自参考文献[4]。　Note:Thedataarefromreference[4].

　　期望输出值集合:{1,2,3,4},分别对应于旅游安全的4种状况,优秀、良好、合格和恶劣。

2.1.2　程序设计和运行过程。利用MATLAB7.0提供的神经

2.2　试验结果分析　为了验证模型的有效性,需要进行使

用精度的计算。该模型通过最大2000次的误差反向传播训练,在精度检验过程中,既定误差为1%,现有样本数目共40个,建立模型过程使用所有的训练样本,精度检验时每次抽取39个样本,用剩下的1个进行检验,循环40次计算模型精度,得到该模型的使用精度87.5%。可以得出结论,该模型精度较高,可以较好地满足实践需要。3　结语网络工具箱,用newff函数创建一个前向BP神经网络,激活函数分别选用线性激活函数(purelin)和对数S型激活函数

(logsig),其中线性函数purelin是可微函数,其输出可以是任

意值,其表达式为:y=x;logsig函数可以将神经元的输入范

)映射到(0,1)的区间上,是可微函数,其表达围(-∞,+∞

1。

1+e-x

式为:y=

为了适应我国旅游业未来发展的需要,在处理应急旅游安全突发性事件时,需要必要的事前预警和相关的知识储备,笔者研究了基于BP神经网络在旅游安全预警信息系统中的应用,为建立我国有效、动态的监测旅游安全预警信息系统提供了可实施的参考方法,具有一定的借鉴意义。参考文献

[1]佚名.2005影响全球旅游业的八大事件[EB/OL].(2005-12-25)

http://www.people.com.cn.

[2]叶平凡.自然灾害和恐怖事件使印尼去年旅游外汇收入下降[EB/OL].(2007-02-12)www.xinhuanet.com.[3]胡星,王攀.西藏打造“四位一体”的旅游安全保障机制[EB/OL].(2007

-12-21)www.xinhuanet.com.

[4]杨俭波,黄耀丽,李凡,等.BP神经网络预警在旅游安全预警信息系统

中的应用[J].资源开发与市场,2007,23(2):108-113.

manisastrumspecies[J].PlantandSoil,1977,48:541-544.

聂俊华,刘秀梅,王庆仁.Pb(铅)富集植物品种的筛选[J].农业工程学报,2004,20(4):255-258.

李永丽,李欣,李硕,等.东方香蒲(TyphaorientalisPresl)对铅的富集特征及其EDTA效应分析[J].生态环境,2005,14(4):555-558.

吴双桃,吴晓芙.铅锌冶炼厂土壤污染及重金属富集植物的研究[J].生态环境,2004,13(2):156-157,160.

杨肖娥,龙新宪,倪吾钟,等.古老铅锌矿山生态型东南景天对锌耐性及超积累特性的研究[J].植物生态学报,2001,25(6):665-672.

在选择训练函数时,函数trainbp、trainbpx、trainlm均可用来训练BP神经网络,由于Levenberg2Marquardt法结合了梯度下降法和牛顿法的优点,性能更加优良,函数trainlm正是使用了Levenberg2Marquardt优化方法,训练速度最快,从而使学

t-1t

习时间更短,其权值调整率Δw=(jj+μi)je,其中j为误差对权值微分的Jacobian矩阵,e为误差向量,μ为一个标量,当μ很大时,上式就接近于梯度法;当μ很小时,上式就变成了Gauss-Newton法。因此训练函数选用trainlm函数。对权值和阈值进行训练,训练运行t=2000次。利用sim函数仿真一个神经网络,计算网络输出,进行验证。

(上接第3209页)

[21]陈红琳,张世熔,李婷,等.汉源铅锌矿区植物对Pb和Zn的积累及耐

性研究[J].农业环境科学学报,2007,26(2):505-509.

[22]代全林.植物修复与超富集植物[J].亚热带农业研究,2007,3(1):51-56.

[23]常青山,马祥庆.重金属超富集植物筛选研究进展[J].农业环境科学

学报,2005(24):330-335.

[24]吴志强,顾尚义,李海英,等.重金属污染土壤的植物修复及超积累植

物的研究进展[J].环境科学与管理,2007,32(3):67-71,75.

[25]JAFFRET,REEVESRD,BEEQUERT.Sebertiaacuminata:Ahyperaccumula2

torofnickelfromNewCaledonia[J].Science,1976,193:579-580.[26]BROOKSRR,LEEJ,REEVESRD,etal.CopperandcobaltuptakebyHau2

[27][28][29][30]

[31]魏树和,周启星,王新.超积累植物龙葵及其对镉的富集特征[J].环境

科学,2005,26(3):167-171.

[32]胡鹏杰,周小勇,仇荣亮,等.Zn超富集植物长柔毛委陵菜对Cd的耐

性与富集特征[J].农业环境科学学报,2007,26(6):2221-2224.

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文